用户画像里的兴趣类标签如何计算？

编者按：互联网的快速发展将人们带入了一个信息非常丰富的时代。每天都会产生大量的信息。信息过载已成为一个严重的问题。面对如此大量的信息，用户很难快速找到他们感兴趣的内容。因此，制作用户肖像和计算兴趣标签变得越来越重要。今天，作者分享了用户兴趣偏好标签的计算方法。 今日分享用户兴趣偏好标签的计算方法。 1.什么是兴趣偏好标签？ 首先，兴趣偏好是什么？ 事实上，从字面意义上说，更容易理解：我们以电子商务为例，即用户是否喜欢某个对象（这里的对象可以是商品、类别等）。 官方定义：根据消费者与兴趣对象的互动，圈定兴趣对象的兴趣程度。 例如，我想看看用户是否喜欢体育类别。 一些朋友会问，计算这个标签是太容易吗？直接拿出用户历史上所有的购买记录，对不同类别的交易进行分类统计，看体育类的交易是否多，就完了。 逻辑没有问题，但忽略了很多场景：例如，用户每天浏览与体育相关的类别，但交易量不大。这也表明他们对这一类别有偏好吗？这种偏好的计算往往比交易偏好更具营销价值和全面性。 如何计算兴趣偏好标签？ 二、兴趣偏好标签的计算 首先看计算逻辑的总体概述，主要分为三个部分：互动行为、互动深度和权重。我们的兴趣偏好以用户喜欢哪个类别为例。 1. 互动行为 这部分是确定哪些用户行为应该纳入兴趣标签的计算。 通常在电子商务中，更常用的是：浏览、购买、订单。这些行为往往反映了用户对该类别的强烈兴趣。 此外，搜索行为也能反映用户的偏好，但由于搜索词涉及大量NLP标签计算中的内容费时费力。当精度要求不高时，不考虑搜索行为。 2. 互动深度 所谓互动深度，是指用户在每种互动行为下都能衡量用户行为深度的具体内容。 否则，很容易发生这种情况：用户只对某一类别下的某一产品有强烈的偏好，但最终的计算结果是用户对整个类别感兴趣。使用交互深度可以减少异常情况的影响。 我们在这里举的例子使用三个指标来反映用户的行为深度：三级类别的设计，涉及sku数，购买件数。 3. 权重设置 权重部分非常重要。这是为了合理区分不同行为对最终结果的贡献。 也很容易理解。订单一定意味着用户更感兴趣。毕竟，真爱才是真正能付出的。因此，在权重方面，订单也是如此